前言

Conformer encoder model architecture

对于语音来说，整个架构里，输入是(batch_size,time_steps,feature_dim)，输出也是(batch_size,time_steps,feature_dim)

• batch_size：每个batch的样本数量
• time_steps：每个样本语音sequence的时间长度，比如128帧
• feature_dim：特征维度，如Mel频谱系数的数量

Convolution Subsampling

一种有效的降维方式，同时保持了输入特征和时间步长的缩减。卷积层通过下采样减少计算复杂度
对输入序列进行卷积下采样，同时增加通道维度。具体地，它通过两个 Conv2d 操作将输入的时间步长缩减到原来的 1/4，并且输出的特征维度与 encoder_dim 相关。
Input：[batch_size,time_steps,input_dim]
先通过增加维度为[batch_size,1,time_steps,input_dim]
再通过卷积把1拓展为encoder_dim，同时将时间维度和特征维度约变为原来的1/4，即
new_input_dim=((input_dim - 1) // 2 - 1) // 2
new_time_steps=((time_steps-1)//2-1)//2
[batch_size,encoder_dim,new_time_steps,new_input_dim]，随后将其展开，变为三维tensor：[batch_size,new_time_steps,new_input_dim*encoder_dim]
eg:
encoder_dim=80
[25,128,40]–>[25,31,720]

Linear & Dropout

• Linear
  Linear层在convolution subsampling的作用是将
  卷积后展平的特征维度映射到 encoder_dim 的维度。虽然卷积后的特征数经过扩展，但最终希望使用 Linear 层将其映射到 encoder_dim 大小，以便后续的 Conformer block 处理。
  input: [batch_size,new_time_steps,new_input_dim*encoder_dim]
  output：[batch_size,new_time_steps,encoder_dim]
• Dropout
  随机失活层，在训练过程中以一定的概率随机丢弃一些特征，用于防止过拟合。

Conformer Blocks

需要注意的是，每个 Module 都使用了残差连接。

Feed Forward Module

对输入进行layernorm之后，第一个线性层使用扩展因子 4，第二个线性层将其投影回模型维度。中间使用swish激活函数并且进行dropout操作，最后进行一次dropout
input: [batch_size,new_time_steps,encoder_dim]
output:[batch_size,new_time_steps,encoder_dim]

class FeedForwardModule(nn.Module):
    def __init__(
            self,
            encoder_dim: int = 512,
            expansion_factor: int = 4,
            dropout_p: float = 0.1,
    ) -> None:
        super(FeedForwardModule, self).__init__()
        self.sequential = nn.Sequential(
            nn.LayerNorm(encoder_dim),
            Linear(encoder_dim, encoder_dim * expansion_factor, bias=True),
            Swish(),
            nn.Dropout(p=dropout_p),
            Linear(encoder_dim * expansion_factor, encoder_dim, bias=True),
            nn.Dropout(p=dropout_p),
        )

    def forward(self, inputs: Tensor) -> Tensor:
        return self.sequential(inputs)class FeedForwardModule(nn.Module):
    def __init__(
            self,
            encoder_dim: int = 512,
            expansion_factor: int = 4,
            dropout_p: float = 0.1,
    ) -> None:
        super(FeedForwardModule, self).__init__()
        self.sequential = nn.Sequential(
            nn.LayerNorm(encoder_dim),
            Linear(encoder_dim, encoder_dim * expansion_factor, bias=True),
            Swish(),
            nn.Dropout(p=dropout_p),
            Linear(encoder_dim * expansion_factor, encoder_dim, bias=True),
            nn.Dropout(p=dropout_p),
        )

    def forward(self, inputs: Tensor) -> Tensor:
        return self.sequential(inputs)
      

Multi-Headed Self-Attention Module

input: [batch_size,new_time_steps,encoder_dim]
output:[batch_size,new_time_steps,encoder_dim]
多头自注意力模块，这里用了相对位置编码（源于Transformer-XL)

Convolution Module

input: [batch_size,new_time_steps,encoder_dim]
output:[batch_size,new_time_steps,encoder_dim]
卷积模块包含一个扩展因子为 2 的逐点卷积，用 GLU 激活层投影通道数，后跟一个一维深度卷积。一维深度卷积之后是 Batchnorm，然后是 swish 激活层，再接逐点卷积，最后dropout